无人机辅助的高能效边缘联邦学习综述

随着移动通信技术的快速发展和物联网终端设备数量激增,丰富多样的智能应用及海量数据在网络边缘产生,边缘智能应运而生。当前,联邦学习作为一种新兴的分布式机器学习方法,可以在不共享终端设备原始数据的情况下协作完成模型训练任务,是实现边缘智能的重要方式。传统的边缘智能网络以地面通信基站为参数服务器,其服务范围相对固定,无法适应复杂多变的异构网络环境。无人机由于其灵活性和机动性被引入联邦学习中,可以有效地在边缘智能网络中提供通信/计算/缓存服务,增强地面网络的通信容量,弥补传统地面网络通信范围受限、通信开销大、数据传输延迟高等缺点。无人机辅助的联邦学习具有通信覆盖范围广、通信开销低、即时响应等明显优势,同时也面临通信带宽受限、不可靠的通信环境、飞行环境的不确定性等挑战,上述挑战可能导致低能效问题。无人机辅助的高能效边缘联邦学习是将无人机作为边缘服务器的计算能耗、计算频率、时间分配等纳入考虑,研究无人机辅助联邦学习系统的能效优化方案。针对无人机作为边缘服务器这一场景,依据最小化能耗、最小化延迟和最小化能耗延迟加权和等不同的优化目标,对当前无人机辅助的高能效边缘联邦学习研究进行了分类和总结,并对未来研究方向进行了思考和展望。

面向异构复合任务的无人集群动态重叠联盟任务分配方法

智能无人集群由于其平台特性的多样性,具备较好的资源调配空间和功能弹性,能够应对复杂多变的任务需求。现有研究大多未考虑任务的异构性和关联性等实际需求,其任务分配方法在需求和资源的适配性、集群协同的动态响应能力上存在不足。文章针对无人集群系统在遂行多目标任务过程中存在的任务分配不均、协同性差和动态适应性差等问题,提出了面向异构复合任务的动态响应重叠联盟任务分配架构。首先,综合考虑多个耦合异构任务的价值、优先级、需求和任务变化带来的影响来构建联盟博弈模型;然后设计算法,分布式协同调度不同无人集群(无人机和无人车)的资源,实现集群异构成员的资源与异构任务合理匹配,并能根据任务变化情况进行高效的动态调整。仿真结果表明,文章提出的算法能够适应动态任务场景,形成稳定高效的任务联盟和资源分配方案,提高了无人集群遂行多样化异构任务的系统收益和成功率,实现了无人集群系统在动态条件下的协同任务分配优化。

边缘智能协同技术及前沿应用专题序言

随着边缘计算与人工智能技术的高速发展,两者结合催生了一种新兴计算范式——边缘智能,在推动边缘计算技术优化的同时助力解决人工智能在“最后一公里”落地的关键问题。因此,边缘智能在工业物联网、智慧城市、无人驾驶、无人作战、疫情防控等领域得到了广泛应用,并吸引了国内外政府、工业界与学术界的高度关注,在基础科学理论、关键技术方法、新兴系统及应用等方面都取得了诸多创新性和突破性的成果。《计算机科学》策划了“边缘智能协同技术及前沿应用”专题,希望能为相关领域的专家学者提供交流合作、发布最新前沿科研成果的平台,促进学术界和工业界的深度融合,推动中国计算机领域的发展。

基于Markov状态转移方法的网络编码时延分析

网络编码已被验证是改善无线网络吞吐量、可靠性等性能的有效手段,但其对业务流时延性能影响的研究还不充分。针对得到广泛应用的随机线性网络编码,提出了一种基于马尔可夫状态转移的方法对单跳场景下单播业务流时延的期望值以及概率分布进行了分析,同时给出了相应的递推解析式,然后数值分析了有限域大小、信道丢失率、编码批次大小等编码参数对时延的影响。结果表明,随着有限域q的增大,时延的方差不断变小;时延的期望值与信道丢失率、编码批次大小几乎都成线性关系。

基于边缘智能计算的城市交通感知数据自适应恢复

智能交通系统(intelligent transportation systems,ITSs)被广泛用于智慧城市中,却普遍存在感知数据缺失问题.而交通感知站点有限的存储计算能力严重制约感知数据的恢复,极大影响ITSs的正常使用.虽然可以利用边缘节点强大的存储计算能力解决这个困境,但边缘节点部署的高复杂性和感知数据时空相关性的高动态性对数据精确恢复提出挑战.为了解决上述挑战,提出基于边缘智能计算的城市交通感知数据自适应恢复系统.具体地,首先利用子模优化理论,提出具有理论下界的边缘节点次优部署分配算法.然后,基于低秩理论恢复感知数据,并基于恢复结果估计非缺失下限,通过反馈自适应调整感知站点的数据上传比例,从而保证数据精确恢复.最后,基于澳大利亚600个交通站点1年的感知数据构建原型系统,对所提算法进行评估.实验结果表明,所提算法的边缘节点部署性能达到最优性能的90%以上,缺失数据恢复精度比3种对比方法提高43.8%以上.同时,自适应数据恢复能够平均提高精度40.3%.

面向低空智联网频谱认知与决策的云边端融合体系架构

介绍了面向低空智联网频谱认知与决策这一典型应用场景的新型体系架构。首先,分析了低空智联网频谱安全管控与高效共享面临的挑战,凝练了亟待解决的关键科学问题。其次,以云边端深度融合支撑低空智联网频谱管控和共享为思路,提出了面向低空智联网频谱认知与决策的云边端融合体系架构。接着,探讨了基于云边端融合的低空智联网频谱快速精准认知与敏捷适变决策等关键技术。最后,介绍了该体系架构的未来研究方向。

基于网络编码的无线路由技术研究进展

网络编码是近年来通信领域所取得的重大进展之一,其核心思想是网络节点对于接收的分组不是采取的传统的存储-转发的简单路由方式,而是存储-编码处理-转发的方式。网络编码已被证明是改善无线网络性能特别是吞吐量性能方面的下一代关键技术之一,特别适合战场环境下广播和组播信息的高效传输。本文综述了近年来基于网络编码的无线路由技术的相关研究进展,分析了现有研究的局限性与不足,并对下一步研究方向进行了展望。

面向空地协同移动边缘计算的服务布置策略

无人机辅助的移动边缘计算被认为是在下一代移动通信网络中能高效灵活处理时延敏感的计算密集型任务的潜力技术之一.本文研究了基于无人机的空地协同移动边缘计算的服务布置问题,具体而言,如何在满足任务时延需求和其他资源约束的情况下,通过联合优化无人机和地面基站的服务布置、无人机航迹、任务卸载和计算资源分配,以最小化所有用户的总能耗.由于问题的非凸和各种变量的复杂耦合,该问题属于一个非凸混合整数非线性规划问题,较难求解.本文针对多无人机和多地面基站协同提供计算服务的场景,提出了一种基于交替优化的服务布置算法.该算法通过迭代求解三个不同的子问题来获得具有收敛性保证的次优解决方案.首先,采用分支定界法求解联合服务布置和任务卸载的子问题.其次,采用连续凸逼近方法求解无人机航迹优化的子问题.然后,利用计算资源分配子问题的特性得到该子问题的闭式最优解.最后,对上述过程重复迭代,得到问题的一个次优解.仿真结果表明,相比随机布置策略、贪心布置策略、本地计算策略,所提布置策略能够大大减少用户总能耗.

面向优先级任务的移动边缘计算资源分配方法

目前移动边缘计算中的资源分配方法,多数按照任务请求计算卸载的时间顺序分配计算资源,未考虑实际应用中任务存在优先级的问题。针对此类情况下的计算需求,提出一种面向优先级任务的资源分配方法。根据任务平均处理价值赋予其相应的优先级,对不同优先级的任务进行计算资源加权分配,在保证高优先级任务获取充足计算资源的同时,减少完成所有任务计算的总时间及能耗,从而提高服务质量。仿真结果表明,与平均分配、按任务数据量分配和本地计算方法相比,该方法的计算时延分别降低83.76%、15.05%和99.42%,能耗分别降低84.78%、17.37%和87.69%。

移动边缘计算中的计算卸载策略研究综述

科技的进步使得智能移动设备越来越普及化,移动设备流量急剧增长。但智能移动设备由于自身资源及计算性能有限,在处理计算密集型和时间敏感型应用时可能会面临能力不足的情况。将移动终端需要处理的计算卸载到边缘网络中的计算节点进行计算,能有效解决此问题。基于移动边缘网络介绍了已有的计算卸载策略,从最小化延迟、最小化能耗、最大化收益这几个方面进行阐述,对比了不同侧重点的卸载策略的优缺点,并对移动边缘计算卸载策略的未来发展进行了思考与展望。

面向无人机自组网和车联网的媒体接入控制协议研究综述

随着移动通信技术的迭代更新,车联网(VANET)和无人机自组网(FANETs)已成为通信网络的重要组成部分,而媒体接入控制(MAC)协议则是移动自组织网络未来发展的核心研究内容之一。安全控制信息和用户业务信息是自组织网络最主要的两类信息,而两者不同的服务质量(QoS)需求对MAC机制的设计带来了严峻的考验。该文主要考虑车联网和无人机自组网,针对其网络特征,从不同的优化目标出发,对其使用的MAC协议进行分析与归纳,并对下一步的研究方向进行了思考与展望。

面向优先级用户的移动边缘计算任务调度策略

随着移动终端处理的数据量及计算规模不断增加,为降低任务处理时延、满足任务的优先级调度需求,结合任务优先级及时延约束,提出了基于任务优先级的改进min-min调度算法(task priority-based min-min,TPMM)。该算法根据任务的处理价值及任务的数据量计算任务的优先级,结合任务截止时间、服务器调度次数制定资源匹配方案,解决了边缘网络中服务器为不同优先级的用户进行计算资源分配的问题。仿真实验结果表明,该算法可以均衡服务器利用率,并有效降低计算处理的时延,提高服务器在任务截止处理时间内完成任务计算的成功率,相比min-min调度算法,TPMM算法最多可降低78.45%的时延,提高80%的计算成功率;相比maxmin调度算法,TPMM算法最多可降低80.15%的时延并提高59.7%的计算成功率;相比高优先级(high priority first,HPF)调度算法,TPMM算法最多降低59.49%的时延,提高57.7%的计算成功率。

基于D2D通信的流量卸载技术综述

随着各类移动终端与高带宽需求业务的普及,蜂窝网流量已呈现出爆炸性增长的趋势;同时,由于网络用户分布不均匀,蜂窝网流量分布也存在不均衡的现象。基于D2D(Device-to-Device)通信的流量卸载(Traffic offloading)是解决数据流量急剧增加和不均匀分布的一种经济、有效的技术。首先,根据D2D通信在流量卸载中所承担的任务,将基于D2D通信的流量卸载技术分为以D2D通信为目标和以D2D通信为中继两类;然后,详细介绍每一类技术的研究现状并分析讨论各自的优缺点;最后,提出下一步的潜在研究方向。

基于无人机的边缘智能计算研究综述

边缘智能计算是指将用户节点产生的计算密集型任务卸载到计算能力更强的边缘服务器上进行处理,而基于无人机的边缘智能计算是指在此基础上结合智能无人机平台,利用该平台机动性强、易于部署的优点,更加快速灵活地为地面用户设备提供边缘计算服务。此外,无人机也可作为用户节点,将其计算密集型任务卸载到地面边缘服务器上来执行。针对无人机作为用户节点和边缘服务器两种不同场景,根据最小化能耗、最小化时延和最大化效用等不同的优化目标对当前基于无人机的边缘智能计算研究进行了分类和总结,并对下一步的研究方向进行了思考与展望。

基于无人机集群智能自组网的典型协同应用

在迈向万物互联的6G时代过程中,网络服务范围逐渐扩大,网络业务量急剧增加,传统地面基站面临着无法实现偏远地区的网络全覆盖,难以支持局部地区突发的热点流量需求等挑战。在此情况下,无人机搭载存储、计算与通信等资源通过集群,利用合适的智能算法组建成高动态、可扩展、智能化的无人机集群网络作为地面基站的补充,协同完成网络服务任务。针对无人机集群为突发热点流量区域用户服务的场景,考虑无人机集群服务过程中无人机集群用户调度及路径规划、多无人机三维悬停位置部署及无人机网络智能管控架构三方面的协同应用,对各应用进行建模分析并介绍相应的智能优化算法以提高系统能量效率,所提的三方面应用以及智能优化算法为在实际场景中实现高能效的无人机集群智能自组网协同应用提供了有效参考。